MINC

displayName: MINC (Materials in Context Database)
labelTypes:
- Classification
license:
- MINC (Materials in Context Database) Custom
mediaTypes:
- Image
- Text
paperUrl: https://arxiv.org/pdf/1412.0623v2.pdf
publishDate: "2015"
publishUrl: http://opensurfaces.cs.cornell.edu/publications/minc/
publisher:
- Cornell Graphics and Vision Group
tags:
- Wood
- Materials
- Food
taskTypes:
- Image Classification

---
# 数据集介绍
## 简介
MINC 比以前的材料数据库大一个数量级，同时在其 23 个类别中更加多样化和良好采样。使用 MINC，我们为两个任务训练卷积神经网络 (CNN)：从补丁中分类材料，以及在完整图像中同时识别和分割材料。对于 MINC 上基于补丁的分类，我们发现性能最好的 CNN 架构可以达到 85.2% 的平均分类准确率。我们将这些经过训练的 CNN 分类器转换为一个高效的全卷积框架，并结合全连接条件随机场 (CRF) 来预测图像中每个像素的材料，实现 73.1% 的平均类准确率。我们的实验表明，拥有像 MINC 这样的大型、良好采样的数据集对于现实世界的材料识别和分割至关重要。
## 引文

```
@inproceedings{bell2015material,
title={Material recognition in the wild with the materials in context database},
author={Bell, Sean and Upchurch, Paul and Snavely, Noah and Bala, Kavita},
booktitle={Proceedings of the IEEE conference on computer vision and pattern recognition},
pages={3479--3487},
year={2015}
}
```

## Download dataset
:modelscope-code[]{type="git"}

数据集名称：上下文环境中的材料数据库（Materials in Context Database，简称MINC）
标签类型：
- 分类
许可证：
- MINC（上下文环境中的材料数据库）自定义许可证
媒体类型：
- 图像
- 文本
论文链接：https://arxiv.org/pdf/1412.0623v2.pdf
发布年份：2015
发布页面链接：http://opensurfaces.cs.cornell.edu/publications/minc/
发布机构：
- 康奈尔大学图形与视觉研究组（Cornell Graphics and Vision Group）
标签：
- 木材
- 材料
- 食品
任务类型：
- 图像分类

---

# 数据集介绍

## 简介
MINC 相较此前的材料类数据库规模扩大一个数量级，且其涵盖的23个材料类别分布更均衡、采样更充分。依托MINC数据集，我们针对两项任务训练了卷积神经网络（Convolutional Neural Network，简称CNN）：一是基于图像补丁的材料分类任务，二是完整图像中的材料联合识别与分割任务。针对MINC数据集上的图像补丁分类任务，性能最优的CNN架构可达到85.2%的平均分类准确率。我们将这些训练完成的CNN分类器转换为高效的全卷积框架，并结合全连接条件随机场（Conditional Random Field，简称CRF）实现图像逐像素的材料预测，最终获得73.1%的平均类别准确率。实验结果表明，构建如MINC这般大规模且采样充分的数据集，对于现实场景下的材料识别与分割任务至关重要。

## 引用

@inproceedings{bell2015material,
title={Material recognition in the wild with the materials in context database},
author={Bell, Sean and Upchurch, Paul and Snavely, Noah and Bala, Kavita},
booktitle={Proceedings of the IEEE conference on computer vision and pattern recognition},
pages={3479--3487},
year={2015}
}

## 数据集下载
:modelscope-code[]{type="git"}